基于分位数回归的仿真推断

我们提出了神经分位数估计（NQE），一种基于条件分位数回归的新型仿真推断（SBI）方法。NQE自回归地学习每个后验维度的单个一维分位数，以数据和先前后验维度为条件。通过使用单调三次Hermite样条插值预测的分位数来获得后验样本，并对尾部行为和多模态分布进行特殊处理。我们引入了一种使用局部累积密度函数（CDF）的贝叶斯可信区域的替代定义，其评估速度比传统最高后验密度区域（HPDR）快得多。在仿真预算有限和/或已知模型错误指定的情况下，可以将后处理校准步骤集成到NQE中，以确保后验估计的无偏性，且额外计算成本可忽略。我们证明NQE在各种基准问题上达到了最先进的性能。